1.基于分子子網與隨機森林分類器的癌癥化療敏感性預測方法，其特征是：

融合腫瘤基因表達譜數據、腫瘤突變基因組信息以及蛋白質相互作用組信息，基于重啟的隨機行走模型，挖掘致癌抑癌基因分子子網，實現特征提取；

以所述分子子網作為輸入特征，基于癌癥患者的生物表達譜數據，設計基于隨機森林算法的訓練模型，將所述訓練模型用于獨立測試集的測試，得到患者化療敏感性評價結果；

所述腫瘤基因表達譜數據是指：利用基因表達譜數據平臺得到的腫瘤基因表達譜數據；

所述腫瘤突變基因組信息是指：基于已知的腫瘤突變基因數據庫得到引起細胞癌變的原癌基因和抑癌基因；

所述蛋白質相互作用組信息，是指利用已知的蛋白質相互作用數據集篩選出已經被實驗證實的蛋白質相互作用對。

2.根據權利要求1所述的基于分子子網與隨機森林分類器的癌癥化療敏感性預測方法，其特征是：實現特征提取是按如下過程進行：

(1)構建蛋白質相互作用網絡

蛋白質相互作用網絡記作為隨機游走圖G，G＝(V,E)；所述隨機游走圖G的節點V＝{v_i|1≤i≤n},v_i是基因，n是出現在蛋白質相互作用網絡中的基因個數；隨機游走圖G的邊為E，E＝{(v_i,v_j)|1≤i≤n,1≤j≤n}，當基因v_i與基因v_j存在相互作用關系時,(v_i,v_j)＝1，否則(v_i,v_j)＝0；

(2)將腫瘤突變基因組信息作為初始節點映射到隨機游走圖G；

(3)基于重啟的隨機行走模型,計算基因的概率分布

利用式(1)經過多次迭代計算獲得基因的輸出概率分布向量：

p^t+1＝(1-r)wp^t+rp⁰?????(1)

式(1)中，r是跳轉發生概率，w是鄰接矩陣，p⁰是初始概率分布向量，p^t是在時刻t發生跳轉時,跳轉到隨機游走圖G中每個節點的概率分布向量，p^t+1是每次游走過程后的輸出概率分布向量；p⁰定義為：其中m_i是指基因v_i出現在不同種類癌癥中的突變次數之和；鄰接矩陣w定義為：

當時,隨機行走模型迭代計算結束；

(4)計算基因的局部評價指標p_l與全局評價指標p_g

所述局部評價指標p_l是指每個節點的局部零分布得分，是從同一節點的所有隨機分數計算得到；所述全局評價指標p_g是指每個節點的全局零分布得分，是從所有節點的隨機分數計算得到；篩選出局部評價指標p_l與全局評價指標p_g均小于設定的閾值的基因，將所有篩選到的基因構建分子子網，實現特征提取。

3.根據權利要求1或2所述的基于分子子網與隨機森林分類器的癌癥化療敏感性預測方法，其特征是以所述分子子網作為輸入特征，按如下方法獲得患者化療敏感性評價結果：

(1)以分子子網作為輸入特征，設計基于訓練集的隨機森林模型

隨機森林模型包括分類器個數ntree和各分離點基因的選擇個數mtry，所述分類器個數ntree的選擇范圍是{10¹,10²,10³,10⁴}，所述各分離點基因的選擇個數mtry的選擇范圍是{2¹,2²,2³,2⁴,2⁵,2⁶,2⁷}，通過選擇不同的分類器個數ntree和各分離點基因的選擇個數mtry構成28種不同參數組合的待選隨機森林模型；

(2)對于所述各待選隨機森林模型，基于分層取樣方法設計五折交叉驗證算法，把訓練集分為化療敏感與化療不敏感兩類，并分別得到各待選隨機森林模型的ROC曲線，以所述各ROC曲線的面積AUC值作為評價指標；

(3)以面積AUC值最大所對應的待選隨機森林模型作為訓練模型，將所述訓練模型用于獨立測試集的測試，從而將癌癥患者分為化療敏感和化療不敏感兩類。